CMIP5模式對淮河流域氣候要素的模擬評估及未來情景預估

林慧，王景才，蔣陳娟

(揚州大學水利科學與工程學院，江蘇揚州225009)

近年來，隨著經濟的快速發展及人口的急速增長，全球氣候變暖有加重的趨勢，氣候變化問題越來越引起國際社會的廣泛關注，氣候變化對陸地水循環過程[1]、水資源量分布[2-3]、洪水[4]和干旱[5]、農業生產穩定性和可持續性[3]等具有深遠影響，需要加強全球氣候變化應對以及不同地區未來氣候變化趨勢的研究。全球氣候模式是研究氣候變化機理和預測未來氣候變化的重要工具，目前已經得到廣泛應用，經歷了CMIP1、CMIP2、CMIP3、CMIP4等階段的發展過程，國際耦合模式比較計劃CMIP5(The Fifth Phase of Coupled Model Intercomparison Project)應運而生，2013—2014年完成的第5次評估報告確定使用一套不同于SRES(Special Report on Emissions Scenarios)情景的基準排放情景，即以穩定濃度為特征的新情景——典型濃度路徑RCPs(Representative Concentration Pathways)[5]。CMIP5氣候模式至今已匯集60多種模式，相對于早期其他模式，具有更高的時空分辨率和更加完善或者優化的物理和化學參數化方案、耦合器技術、計算能力，同時還有相當一部分模式增加了動態植被模式和碳循環模式[6-7]。

目前有不少學者利用CMIP5模式對中國各區域進行了分析評估。高峰等[8]研究發現最適合模擬中國區域降水的模式是HadGEM2-ES模式。楊絢等[9]利用30個CMIP5模式研究發現中國北方地區變暖趨勢比南方高，中國降水普遍增加。趙天寶等[10]]利用17個CMIP5模式模擬全球干旱半干旱區氣候變化，發現中國北部干旱地區是未來氣溫上升，降水增加的顯著性地區之一。陳曉晨等[11]基于多種觀測資料和43個CMIP5模式數據對中國降水特征評估，發現CMIP5多模式能模擬出中國地區降水的地域特征和季節性變化特征。姚遙等[12]利用8個CMIP5模式的集合評估中國極端氣溫的模擬效果，發現未來中國極暖(極冷)日數增多(減少)。通過以上分析，發現大多數學者均是對全中國進行預估分析，為研究模擬結果的準確性需要加強地區適用性和比較研究。

淮河流域位于黃河流域和長江流域之間，地處中國南北氣候過渡帶，是中國重要的流域單元和糧食產區。由于特殊的地理位置，旱澇災害頻繁發生，對區域糧食生產安全、水旱災害管理等具有重要影響，需要加強流域氣候變化特征的分析以及未來氣候變化的預估。當前基于CMIP5針對淮河流域氣候變化的研究相對較少，由于CMIP5模式在機理、初始條件的設置、分辨率等因素，導致同流域和地區的模擬能力呈現不同的精度特點，本文基于諸多學者對適用于中國的CMIP5模式的研究中選取6個氣候模式進行淮河中上游流域氣候要素的模擬能力評估，并從中選取精度較優的3種模式在RCP4.5(中等排放情景)和RCP8.5(高排放情景)下研究流域未來氣候要素變化的趨勢。研究結果有助于了解區域氣候變化及水熱資源分布特征，對于農業生產布局和種植制度制定、生態資源保護、水旱災害管理等具有重要參考意義[13]。

1 數據和方法

1.1 數據

淮河上中游流域位置及地面氣象站點分布見圖1。流域面積約16×104km2，占淮河流域總面積(約27×104km2)的59.3%。地面19個站點1960—2005年的月降水和氣溫數據觀測數據來源于中國氣象數據網(http://data.cma.cn/)，用于評估CMIP5模式對歷史降水和氣溫的模擬精度。數據集中的缺測和部分異常值已按照數據集說明文檔進行了質量控制和缺測值插補。CMIP5模式數據來源于http://pcmdi3.llnl.gov/es-gect/home.htm，綜合文獻分析選擇了中國區域相對較優的6個氣候模式，CMIP5模式數據文件格式為nc文件，本文基于R語言進行截取。6種模式在模擬計算時考慮了外強迫因子，其中自然強迫如塵埃Ds、黑炭BC、礦物塵埃、太陽輻射SI以及MD火山活動氣溶膠VI，人類活動考慮了溫室氣體GHG以及硫化物氣溶膠SD等[14]，且6種模式模擬的分辨率有所不同。各模式的空間分辨率、歷史模擬時段和未來預估時段等基本信息見表1。

表1 6種CMIP5模式的基本信息

1.2 研究方法

研究對象主要基于流域面平均值進行分析，地面站點采用泰森多邊形法計算面平均值[15]，CMIP5模式基于柵格數據采用算術平均法計算面平均值。四季劃分按照春季(3—5 月)、夏季(6—8月)、秋季(9—11月)、冬季(12月至次年2月)進行。

1.2.1氣候模式歷史模擬數據的精度檢驗

CMIP5歷史模擬數據擬采用皮爾遜相關系數R、標準差Sd、均值相對誤差Rmean、標準差相對誤差Rsd等4種指標進行精度檢驗。

皮爾遜相關系數R是最早由統計學家卡爾·皮爾遜設計的統計指標，是研究變量之間線性相關程度的量，具體計算見式(1)。標準差Sd(Standard Deviation)，又稱均方差，是離均差平方的算術平均數的平方根，反映一個數據集的離散程度，用σ表示。

(1)

(2)

相對誤差Re(Relative Error)能夠判別模擬數據與實測值之間的誤差大小，具體計算見式(3)。本文分別計算時間序列數據的均值相對誤差Rmean和標準差相對誤差Rsd。

(3)

1.2.2氣候模式未來氣候要素預估能力分析

CMIP5氣候模式對未來降水和氣溫預估能力的分析采用年、季節、年代際的均值對比和年、季節時間序列的Mann-Kendall趨勢檢驗進行。Mann-Kendall是世界氣象組織推薦并已廣泛使用的一種非參數檢驗方法，既可以檢驗時間序列變化趨勢的顯著性也可以進行突變檢驗[16]，優點是不需要樣本遵從一定的分布，也不受少數異常值的干擾[17]。此檢驗的基礎統計量U，給定顯著性水平α，可在標準正態分布表中查出臨界值Uα/2，常取α=0.05 或0.01。當α=0.05 時Uα/2=1.96，當α=0.01 時Uα/2=2.58。若|U|>Uα/2，則存在顯著變化趨勢，U為負值時為下降趨勢，U為正值時為上升趨勢。若|U|

2 CMIP5模式歷史模擬數據的精度檢驗

2.1 降水的精度檢驗

根據表1，將地面觀測值與CMIP5模式歷史模擬值在1960—2005年內進行精度檢驗。年降水均值統計特征以及地面觀測值與歷史模擬值時間序列的相關系數R見表2，CCSM4、CNRM-CM5和MIROC4h模式降水的時間序列相關系數均達到了0.40以上；MIROC5和HadGEM2-ES效果最好達到0.50以上；CMCC-CM效果最差僅為0.13。模式年降水均值中HadGEM2-ES的年降水均值低于觀測年降水均值，其余5種模式年降水均值都高于觀測年降水均值。HadGEM2-ES、CNRM-CM5和MIROC4h模式的年降水均值相對誤差分別為-0.01、0.12和0.21，說明這3種模式最接近年降水均值。各模式的年降水標準差中僅MIROC4h和MIROC5模式比觀測年降水標準差低。通過年降水標準差的相對誤差Rsd對各模式基準期內的年降水均值進一步進行了精度檢驗。檢驗發現CNRM-CM5、HadGEM2-ES、MIROC4h以及MIROC5模式的Rsd最小，這4種模式的降水標準差與觀測降水標準差較接近。

表2 6種模式基準期內降水和氣溫年均值統計特征值和時間序列相關系數R

年均降水的相對誤差和時間序列相關系數散點見圖2，其中，相對誤差越接近于0，時間序列相關系數越接近于1，則表明該模式模擬效果越好。可看出6種模式按模擬效果由好到壞依次為HadGEM2-ES、CNRM-CM5、MIROC4h、MIROC5、CCSM4、CMCC-CM。

季節降水均值及其相對誤差見表3。春季6種模式的降水均值比觀測降水均值高。除了HadGEM2-ES模式的降水均值相對誤差為0.28，其他模式的相對誤差都很高；6種模式中CNRM-CM5和HadGEM2-ES模式的春季降水模擬效果較好。夏季CCSM4和MIROC5模式的降水均值比觀測降水均值大，其余模式降水均值都小；各模式夏季降水均值的相對誤差顯示HadGEM2-ES(-0.13)、CNRM-CM5(-0.14)、MIROC4h(-0.09)、MIROC5(0.12)4種模式較好。秋季HadGEM2-ES模式的降水均值比觀測降水均值低，其他模式都比觀測值高。CMCC-CM(0.05)模式在秋季降水模擬效果最好，除此以外HadGEM2-ES(-0.18)、MIROC4h(0.13)以及MIROC5(0.18)模式的模擬效果其次。冬季所有模式的降水均值比觀測降水均值高，模擬效果除了CMCC-CM、CNRM-CM5相對誤差大于1.07外，其他各模式相對誤差均低于0.42。

表3 6種模式基準期1960—2005年四季降水均值及其相對誤差Rmean

2.2 氣溫的精度檢驗

年氣溫均值統計特征以及地面觀測值與歷史模擬值時間序列的相關系數R見表2，6種模式的氣溫時間序列相關系數均達到了0.90以上。CCSM4、CNRM-CM5、HadGEM2-ES、MIROC4H和MIROC5模式的氣溫時間序列相關系數高達0.97-0.98。MIROC5的氣溫標準差與觀測氣溫標準差最接近，且氣溫標準差相對誤差為0.000 1。表明該模式的氣溫模擬效果最好。

年均氣溫的相對誤差和時間序列相關系數散點見圖2，可看出6種模式按模擬效果由好到壞依次為CCSM4、HadGEM2-ES、CNRM-CM5、CMCC-CM、MIROC4h、MIROC5。

表4 6種模式基準期1960—2005年四季氣溫均值及其相對誤差Rmean

季節平均氣溫及其相對誤差見表4。春季只有MIROC4h和MIROC5模式的平均氣溫比觀測平均氣溫高。6種模式的平均氣溫相對誤差均在0.1左右波動，所有模式氣溫模擬效果較好，CCSM4(0.003)的氣溫模擬效果最好。夏季只有CCSM4、MIROC4h、MIROC5模式的平均氣溫較觀測平均氣溫高，6種模式的平均氣溫相對誤差很低，氣溫模擬效果均好。秋冬兩季僅MIROC4h和MIROC5模式的平均氣溫比觀測平均氣溫高。秋季各模式相對誤差很低，6種模式氣溫模擬效果較好。冬季各模式平均氣溫相對誤差出現較大變動，6種模式的氣溫模擬效果比其他季節差，但CNRM-CM5(-0.36)和MIROC5(0.55)模式的氣溫模擬效果相對較好。

綜合以上6個模式降水、氣溫精度檢驗結果的分析， HadGEM2-ES模式結合其年和四季時間尺度下的均值、相對誤差、標準差以及時間序列相關系數，模擬效果最優，MIROC4h模式其次。CNRM-CM5的氣溫模擬在季節性時間尺度下表現突出，具有代表性。MIROC5在降水精度檢驗中具有代表性，但氣溫精度檢驗中表現一般。可以發現雖然CMIP5 在試驗設計等很多方面都做了改進，特別是改進物理參數化和提高模式分辨率方面，在一定程度上能提高對氣溫以及一些大氣環流演變特征等的模擬效果，但對降水模擬似乎并未得到很好的改善，甚至變差。由于MIROC4h的未來時段僅有2020—2035年的氣候模擬值，為使得未來評估具有對比性，要求用于未來評估的模式處于同一時間序列。因此，選擇評估精度相對于較優的HadGEM2-ES、CNRM-CM5、MIROC5 3種模式進行未來氣候變化情景的分析和評估。

3 CMIP5模式2種排放情景下未來氣候要素的變化研究

根據表1選取1960—2005年作為基準期，以2020—2099年作為未來時段進行研究。以CNRM-CM5、HadGEM2-ES和MIROC5作為未來氣候變化情景的驅動數據集，以RCP4.5和RCP8.5排放情景作為比較，分析未來降水和氣溫在年、四季和逐年代際的變化特征。其中，年代際的劃分主要是將未來2020—2099年按照每10 a劃分為8個年代際。

3.1 降水

淮河中上游流域RCP4.5和RCP8.5排放情景下降水的預估結果見表5和圖3。

表5 排放情景RCP4.5/8.5未來2020—2099年的降水均值及M-K檢驗值Z

注： 表中數值形式A/B，A表示RCP4.5排放情景下的數值，B表示RCP8.5排放情景下的數值;+表示增加趨勢，-表示減少趨勢，*表示|Z|>1.96通過α=0.05顯著性水平，**表示|Z|>2.58通過α=0.01顯著性水平。

年均降水量方面，不論RCP4.5和RCP8.5排放情景，3種模式未來年均降水均大于基準期年均降水(907.0 mm)。MIROC5未來年均降水值最大，CNRM-CM5次之，HadGEM2-ES最小。這可能與模式模擬計算的參數設置和環境變量選擇有關。通過對比發現，RCP4.5排放情景下的年均降水量略小于RCP8.5排放情景下的年均降水量，可見溫室氣體的排放狀況會對流域的降水產生一定影響。

年降水量的趨勢變化上，RCP8.5排放情景下CNRM-CM5、HadGEM2-ES和MIROC5的M-K檢驗值均大于2.58，年降水量在顯著性α=0.01水平增加趨勢顯著。RCP4.5排放情景下僅有HadGEM2-ES的M-K檢驗值(2.60)大于2.58，年降水量在顯著性水平α=0.01水平增加趨勢顯著；而CNRM-CM5和MIROC5的M-K檢驗值均小于1.96，增加趨勢不顯著。總體來講，RCP8.5排放情景下的降水增加趨勢較RCP4.5大，溫室氣體排放濃度的增加使得淮河流域的年降水量處于增加趨勢。

季節降水量方面，未來3種模式春、冬季降水量均大于基準期；夏、秋季降水量除了MIROC5外，其他2個模式均小于基準期。經過3種氣候模式的橫向比較，MIROC5對季節降水量的預估結果總體較大(除了冬季小于CNRM-CM5)；HadGEM2-ES對春、冬季降水量的預估最小。3種模式在不同季節描述的差異上，可能與模式在不同時間段模擬計算的參數設置和環境變量選擇有關。對比2種排放情景，CNRM-CM5除了秋季在RCP8.5情景下的降水量略小于RCP4.5外，其他季節均為RCP8.5情景降水量大于RCP4.5。HadGEM2-ES除了春季在RCP8.5情景下的降水量值小于RCP4.5外，其他季節均為RCP8.5情景降水量大于RCP4.5，尤以秋季增加更為突出。MIROC5除了夏季在RCP8.5情景下的降水量值略小于RCP4.5外，其他季節均為RCP8.5情景降水量大于RCP4.5。

季節降水量的趨勢變化上，春季RCP8.5排放情景下CNRM-CM5(Z=2.27)和HadGEM2-ES(Z=2.26)在顯著性水平α=0.05水平增加趨勢顯著，RCP4.5排放情景下只有HadGEM2-ES(Z=3.04)在顯著性水平α=0.01水平增加趨勢顯著。夏季RCP8.5排放情景下CNRM-CM5(Z=3.36)、HadGEM2-ES(Z=2.24)分別在顯著性水平α=0.01、0.05水平增加趨勢顯著，RCP4.5排放情景下3種氣候模式均不顯著且CNRM-CM5、MIROC5呈現下降趨勢。秋季只有MIROC5在RCP8.5排放情景(Z=4.05)和RCP4.5排放情景(Z=2.75)增加趨勢顯著。冬季RCP8.5排放情景下HadGEM2-ES(Z=2.24)和MIROC5(Z=2.28)在顯著性水平α=0.05水平增加趨勢顯著，RCP4.5排放情景下三者增加趨勢均不顯著。總體上，除了CNRM-CM5冬季和HadGEM2-ES春季外，RCP8.5排放情景下降水的增加趨勢較RCP4.5大，溫室氣體排放濃度的增加使得淮河流域的降水處于增加趨勢。

年代際方面，通過圖3發現MIROC5無論在RCP8.5還是在RCP4.5排放情景下，未來各個年代際的值在3種模式中均為最大；MIROC5除了在2030、2040、2060年代RCP8.5情景下的值低于RCP4.5情景下的值外，其他年代際均為RCP8.5>RCP4.5。RCP8.5情景下CNRM-CM5、HadGEM2-ES、MIROC5在21世紀后期(2080s、2090s)年代際均值大于21世紀前期(2020s、2030s)；RCP4.5情景下CNRM-CM5、HadGEM2-ES中后期年代際均值大于21世紀中前期。

3.2 氣溫

淮河中上游流域RCP4.5和RCP8.5排放情景下氣溫的預估結果見表6和圖4。

表6 排放情景RCP4.5/8.5未來2020—2099年的氣溫均值及M-K檢驗值Z

注：表中數值形式A/B，A表示RCP4.5排放情景下的數值，B表示RCP8.5排放情景下的數值;+表示增加趨勢，-表示減少趨勢，*表示|Z|>1.96通過α=0.05顯著性水平，**表示|Z|>2.58通過α=0.01顯著性水平。

年均、夏、秋、冬氣溫方面，3種模式無論哪種排放情景，未來氣溫均高于基準期平均氣溫(年14.93℃、夏26.46℃、秋15.71℃、冬2.64℃)。春季氣溫，除了CNRM-CM5模式RCP4.5情景(14.69℃)、HadGEM2-ES模式RCP8.5情景(12.31℃)低于基準期氣溫(14.89℃)，其他均大于基準期氣溫。無論年和四季方面，3種氣候模式相同排放情景下氣溫預估值大小次序均為：MIROC5>HadGEM2-ES> CNRM-CM5。RCP8.5排放情景年和四季的平均溫度，除了HadGEM2-ES在春季和夏季的預估結果，其他均大于RCP4.5排放情景的平均溫度，可見溫室氣體濃度增加導致絕大部分時期呈現增溫狀況。

年和四季平均氣溫全部呈現升溫趨勢。RCP8.5和RCP4.5排放情景上M-K檢驗值Z均大于4，呈現強烈的升溫趨勢。

年代際方面，通過圖4發現在RCP4.5排放情景下，以上3個模式未來氣溫在2020s—2070s均呈現逐年代際增加的現象，CNRM-CM5在2080s后開始走低但下降幅度不大，HadGEM2-ES在2080s繼續增加但2090s開始略有下降，MIROC5在2080s年代后略微偏低后又在2090s有所升高。在RCP8.5排放情景下，以上3個模式未來氣溫均呈現逐年代際增加的現象。同時在各個相同年代際上，3種氣候模式年代際氣溫大小依次排列為：MIROC5>HadGEM2-ES> CNRM-CM5。通過比較可以發現，RCP8.5排放情景普遍比RCP4.5排放情景下的年代際氣溫要高，可見溫室氣體CO2濃度的增加對溫度的增加效應較為顯著，需要全球在應對氣候變化及溫室氣體排放活動方面有所行動。

4 結語

a) 6種模式對氣溫的模擬能力優于降水，其中CNRM-CM5、HadGEM2-ES 和MIROC5的氣溫、降水擬合效果相對較優。

b) 在2種未來情景(RCP4.5、RCP8.5)預估結果中的年、春、冬季平均降水量均大于基準期，但夏、秋季CNRM-CM5、HadGEM2-ES模式的降水量均小于基準期。RCP4.5年均降水量略少于RCP8.5。

c) 在不同RCP 情景下，淮河中上游流域未來氣溫的變化情景均是以顯著增溫為主要特征，特別是高端濃度路徑下的增溫幅度更大，3種模式年和四季平均氣溫全部呈現升溫趨勢。

d) 淮河中上游流域未來降水和氣溫的研究表明，未來流域降水量隨時間序列既有增加也有減少的趨勢，氣溫升溫迅速，流域未來氣候演變中出現洪旱災害的風險較大，需要加強水資源的管理和洪旱災害的應急管理能力研究。